Azure AI MCP Server

Azure AI MCP服务器

关键任务模型上下文协议（MCP）服务器，提供全面的Azure AI服务集成，具有企业级可靠性、可观察性和混沌工程能力。

🚀 特性

核心Azure人工智能服务

• Azure OpenAI：聊天完成、嵌入和文本生成
• 认知服务文本分析：情感分析、实体识别、关键短语提取
• 计算机视觉：图像分析、物体检测、OCR
• 面向API：人脸检测、识别和分析
• Azure存储：用于数据持久性的Blob存储集成

关键任务能力

• 高可用性：具有自动故障转移功能的多区域部署
• 可观测性：全面的日志记录、指标和分布式跟踪
• 安全：Azure AD集成、API密钥管理和静止/传输时的加密
• 速率限制：智能节流和背压处理
• 重试逻辑：断路器模式的指数回退
• 混沌工程：使用Azure chaos Studio进行内置混沌测试

DevOps 和 CI/CD

• 基础设施即代码：适用于所有环境的Terraform模块
• 多环境：集成、E2E和生产管道
• 容器支持：带有健康检查的Docker容器化
• 监控：Azure Monitor，应用程序洞察集成
• 安全扫描：自动漏洞评估

📋 先决条件

• Node.js 18+
• 具有适当权限的Azure订阅
• 已安装并配置Azure CLI
• 地形1.5+
• Docker（可选，用于容器化部署）

🔧 安装

1.克隆和设置

git clone https://github.com/caiotk/nexguideai-azure-ai-mcp-server.git
cd azure-ai-mcp-server
npm install

2.环境配置

复制环境模板并配置Azure凭据：

cp .env.example .env

所需的环境变量：

# Azure OpenAI
AZURE_OPENAI_ENDPOINT=https://your-openai.openai.azure.com/
AZURE_OPENAI_API_KEY=your-api-key

# Azure Cognitive Services
AZURE_COGNITIVE_SERVICES_ENDPOINT=https://your-region.api.cognitive.microsoft.com/
AZURE_COGNITIVE_SERVICES_KEY=your-key

# Azure Storage
AZURE_STORAGE_CONNECTION_STRING=your-connection-string

# Azure AD (for production)
AZURE_TENANT_ID=your-tenant-id
AZURE_CLIENT_ID=your-client-id
AZURE_CLIENT_SECRET=your-client-secret

# Monitoring
AZURE_APPLICATION_INSIGHTS_CONNECTION_STRING=your-connection-string
LOG_LEVEL=info

3.构建和运行

npm run build
npm start

🏗️ 建筑

系统概述

┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
│   MCP Client    │────│  Azure AI MCP   │────│  Azure Services │
│                 │    │     Server      │    │                 │
└─────────────────┘    └─────────────────┘    └─────────────────┘
                              │
                              ▼
                    ┌─────────────────┐
                    │   Observability │
                    │   & Monitoring  │
                    └─────────────────┘

组件体系结构

• API层：带请求验证的MCP协议实现
• 服务层：Azure AI服务与重试逻辑的集成
• 基础设施层：云资源的地形模块
• 可观测层：日志记录、指标和分布式跟踪

🔄 CI/CD管道

环境

1. 集成（INT）：功能测试和集成验证
2. 端到端（E2E）：使用混沌工程进行全系统测试
3. 生产（PROD）：蓝绿色部署的实时环境

管道阶段

Build → Test → Security Scan → Deploy INT → E2E Tests → Chaos Tests → Deploy PROD

部署策略

• 蓝绿部署：零停机部署
• Canary发布：逐步转移交通以降低风险
• 自动回滚：健康检查失败时自动回滚

🧪 测试策略

测试金字塔

• 单元测试：单个组件测试（Jest）
• 集成测试：服务集成验证
• E2E测试：完整的工作流程测试
• 混沌测试：弹性和故障场景测试

混沌工程

与Azure Chaos Studio集成，用于：

• 服务中断：模拟Azure服务中断
• 网络延迟：响应时间增加
• 资源耗竭：CPU/内存压力测试
• 依赖失败：外部服务故障

📊 监测和可观察性

指标

• 演出：响应时间、吞吐量、错误率
• 商业：API使用、功能采用、成本优化
• 基础设施：资源利用率、可用性

日志记录

• 结构化日志记录：带相关ID的JSON格式
• 日志级别：错误、警告、信息、调试
• 集中式：Azure日志分析集成

告警

• SLA监控：99.9%的可用性目标
• 错误率阈值：>1%错误率警报
• 性能下降：响应时间异常

🔒 安全

身份验证和授权

• Azure AD集成：企业身份管理
• API密钥管理：确保密钥轮换和存储安全
• RBAC：基于角色的访问控制

数据保护

• 静态加密：Azure存储加密
• 传输中的加密：TLS 1.3适用于所有通信
• 数据驻留：可配置的数据位置合规性

安全扫描

• 依赖关系扫描：自动漏洞检测
• 先科：静态应用程序安全测试
• 集装箱扫描：Docker镜像漏洞评估

🚀 部署

地方发展

npm run dev

Docker部署

npm run docker:build
npm run docker:run

地形部署

cd terraform/environments/prod
terraform init
terraform plan
terraform apply

📈 演出

基准测试

• 延迟：P95\<500毫秒用于聊天完成
• 吞吐量：每分钟持续1000+个请求
• 可用性：99.9%正常运行时间SLA

优化

• 连接池：高效的Azure服务连接
• 缓存：智能响应缓存策略
• 速率限制：基于服务限制的自适应节流

🤝 贡献

1. 分叉存储库
2. 创建要素分支(git checkout -b feature/amazing-feature)
3. 提交您的更改(git commit -m 'Add amazing feature')
4. 推到分支(git push origin feature/amazing-feature)
5. 打开拉取请求

开发指南

• 遵循TypeScript严格模式
• 保持90%+的测试覆盖率
• 使用常规提交
• 更新新功能的文档

📄 许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

🆘 支持

• 文档: docs/
• 问题:
• 讨论:

🗺️ Roadmap

• \[\]多型号支持（GPT-4、Claude、Gemini）
• \[\]高级缓存策略
• \[\]GraphQL API支持
• \[\]Kubernetes部署清单
• \[\]高级混沌工程场景
• \[\]成本优化建议

______________________________________________________________________

构建于❤️ 来源：NexGuide AI